如何通过提供示例（Few-shot prompting）来引导AI？

和AI沟通，有时感觉像是在跟一个很聪明但没啥经验的新同事说话。你让他做事，只说一句“把这个报告写了”，结果可能乱七八糟。但是，如果你拿几份写好的报告给他看，说：“照着这个感觉来”，他马上就能领悟。这就是“提供示例”（Few-shot prompting）的核心思路。

这东西听起来好像很技术，但其实就是“照猫画虎”的道理。你不用长篇大论地解释规则，直接给AI看几个例子，它就能明白你想要什么。 这种方法也叫“在上下文中学习”(In-context learning)，意思就是AI在当前对话这个“上下文”里，通过你给的几个例子（shots）来学习。

你可能听过另外两个词：Zero-shot（零示例）和 One-shot（单示例）。Zero-shot 就是你什么例子都不给，直接下命令，比如“总结这篇文章”。 这种方法适合那些非常简单、AI在训练时已经见过无数次的任务。 One-shot 就是你只给一个例子，稍微引导一下。 而 Few-shot，就是给好几个例子，通常两到五个就够了。 当任务有点复杂，光靠指令说不清楚的时候，Few-shot 就特别好用。

举个简单的例子，假设你想让AI帮你做电影评论的情感分类，判断是“正面”、“负面”还是“中性”。

如果用 Zero-shot，你可能会这么问：
这部电影太棒了！ ->

AI可能会回答“正面”，也可能回答“这是一个积极的评价”。输出的格式不太稳定。

但如果用 Few-shot，你可以这样做：
这部电影很好看。// 正面
剧情有点拖沓。// 负面
演员不错，但结局我不喜欢。// 中性
这部电影太棒了！//

你看，我给了三个例子，每个例子都清晰地展示了“输入 -> 输出”的格式。AI看到这个模式，就会明白：一，我要做的是情感分类；二，输出只要“正面”、“负面”或“中性”这几个词，而且格式是“//”后面跟着答案。 这样，它给出的答案就只会是“正面”，干净利落。

Few-shot prompting之所以有效，是因为它利用了大型语言模型最擅长的一件事：模式识别和模仿。 你给的例子，等于给它划定了一个清晰的框架。AI能从这些例子里学到好几样东西：

1. 输出的格式：是想要一个词，一句话，一个列表，还是JSON格式？直接给例子比用语言描述要清楚得多。 比如，你想提取文章里的人名和职业，直接展示“姓, 名 [职业]”这样的格式，AI就能准确模仿。
2. 语气和风格：你希望AI的回答是正式的，还是口语化的？是幽默的，还是严肃的？给几个符合你风格的例子，它就能学到那种调调。
3. 任务的边界：有时候任务很难用语言精确定义。比如“写一句有创意的广告语”，什么算“有创意”？很主观。但如果你给几个你认为有创意的例子，AI就能更好地把握那个“度”。

那么，怎么才能用好 Few-shot prompting 呢？这事有点像教小孩画画，你的示范很重要。下面是我自己总结的一些实在的步骤和经验。

第一步是想清楚你的任务。你要AI做什么？分类、总结、改写，还是生成代码？任务越清晰，找例子就越容易。

第二步是准备高质量的例子。这是最关键的一步。好的例子能让AI事半功倍，坏的例子只会误导它。 选例子有几个原则：
* 清晰且相关：例子必须和你的最终任务直接相关。 别想让AI总结新闻，却给它看诗歌的例子。
* 格式统一：所有例子的格式要完全一样。 如果你决定用“输入：”和“输出：”这样的标签，那每个例子都要坚持用。 格式的统一性本身就是一种强烈的信号。
* 足够多样：例子要能覆盖你任务中可能出现的不同情况。 如果是做情感分类，你的例子最好同时包含正面、负面和中性的情况。 这样AI才能学会全面地看问题，而不是只会判断某一种情况。
* 数量适中：一般来说，2到5个例子效果最好。 例子太少，AI可能抓不住规律；例子太多，不仅会增加成本（因为提示词更长了），还可能超出模型的“上下文窗口”限制，导致AI“忘记”前面的例子。

第三步是构建你的提示词（Prompt）。结构很简单，就是把你的例子排好队，最后放上你真正想让AI处理的问题。一个常见的结构是：

[任务说明，可选但建议有]
[例子1：输入]
[例子1：输出]

[例子2：输入]
[例子2：输出]

[例子3：输入]
[例子3：输出]

[你的新问题：输入]
[留给AI回答的地方]

比如，你要让AI帮你把一些非正式的句子改写得更专业。你的prompt就可以这样写：

任务：把下面的用户反馈改写成正式的商业邮件回复。

反馈：东西坏了，快搞定！
回复：我们收到了您关于产品问题的反馈，并对给您带来的不便深表歉意。我们的技术团队正在紧急处理中。

反馈：这玩意儿咋用啊？
回复：感谢您的咨询。我们很乐意为您提供产品使用方法的详细说明，请问您具体在哪一步遇到了困难？

反馈：订单还没到，等到花儿都谢了。
回复：

AI看到这个结构，就会接着你的最后一个例子，生成一个专业的回复，告诉你订单状态正在查询中。

这里还有一个进阶技巧，就是把Few-shot和“思维链”（Chain-of-Thought, CoT）结合起来。 有时候，任务不光是简单的“输入->输出”，还涉及到一些推理步骤。这时候，你可以在例子里把思考过程也展示出来。

假设你要AI解决一个简单的逻辑题：“一个篮子里有5个苹果，3个橘子。小明拿走了2个苹果和1个橘子。篮子里还剩多少个水果？”

一个普通的Few-shot例子可能是：
问题：书架上有10本书，借走3本，还剩几本？
答案：7本

但如果用上思维链，例子就可以写成这样：
问题：书架上有10本书，借走3本，还剩几本？
答案：首先计算总共有多少本书，是10本。然后减去借走的数量，是3本。10减3等于7。所以还剩7本。

当你把这种带有推理步骤的例子给AI看之后，再问它苹果和橘子的问题，它也会模仿这种“一步一步想”的方式来回答，这样就大大降低了它算错的概率。

当然，Few-shot prompting也不是万能的。它有几个限制要注意。首先，它受限于模型的上下文长度。如果你的例子又多又长，可能会把空间占满。 其次，AI可能会对你给的例子“过拟合”，就是说它只会死板地模仿，缺乏灵活性，特别是当你的例子不够多样时。 最后，构造好的例子本身就需要花时间和精力。

总的来说，通过提供示例来引导AI，是一种非常直接且有效的方法。它把抽象的指令具象化，让AI能更准确地理解你的意图。这不需要你懂编程，也不需要你去训练模型，你只要会“打样”就行。下次你觉得AI没听懂你的话时，别急着重复指令，试试看，给它做个示范。